上接第一部分
Interesting:
-
基于双生成器的多域图像迁移的,虽然GAN可以使用不配对的数据将图像从一个域迁移到另一个域,但对于每一种迁移都需要训练对应的模型。这篇文章提出了在单个模型中使用两个生成器的方法可以实现多个域之间的风格迁移,此外还能提升生成图像的质量。(from 特伦托大学意大利 牛津 洛桑理工 德州大学)
与先前工作不同的是,使用了独立的迁移Gan和重建Gan来进行训练。
一些结果
ref:CycleGAN, Domain Transfer Network ComboGAN StarGAN
相关数据集:
-
AET,基于自编码器来学习出输入图像之间的(投影/反射等)变换,这主要是基于自编码器可以有效的编码原始图像和变换后图像的结构信息,这些信息可以有效地预测出两张图像间的变换。(from 中弗罗里达大学)
网络的模型结果如下,上半部分是训练、下半部是评测:
一些相关工作:
Supervised NIN (Lower Bound) , Random Init. + conv (Upper Bound) , Roto-Scat + SVM [21] ,ExamplarCNN [7] , DCGAN [25], Scattering [20] RotNet + FC [10] , RotNet + conv [10] 。 -
XNet,通过引入互相交叉的隐空间变量分支及其交叉转换器,使得研究人员可以实现对于图像迁移的隐空间正则化约束,从而克服非配对数据图像风格迁移(翻译)中存在的非约束问题。(特拉维夫大学 以色列)
结果可有效应用于弱监督水印去除、逆半色调问题(Inverse Halftoning),反射到哑光问题、手机到单反的迁移问题等。一些结果如下:
相关数据集:
手机到单反的数据集,code:https://github.com/aiff22/DPED,
[反射到哑光合成渲染数据集]:paper, lab, code&data
水印数据自己合成,Halftoning数据基于 Floyd-Steinberg algorithm合成